TPU Programming: Building Neural Network Applications on Tensor Processing Units Training Course

Αυτό το μάθημα καλύπτει την ΑΙ (εμφανίζοντας Machine Learning και Deep Learning) στη βιομηχανία Automotive. Βοηθά να προσδιοριστεί ποια τεχνολογία μπορεί (πιθανώς) να χρησιμοποιηθεί σε πολλαπλές καταστάσεις σε ένα αυτοκίνητο: από απλή αυτοματοποίηση, αναγνώριση εικόνας μέχρι αυτόνομη λήψη αποφάσεων.

Αυτό το μάθημα έχει δημιουργηθεί για μάνατζερ, αρχιτέκτονες λύσεων, στελέχη καινοτομίας, CTO, αρχιτέκτονες λογισμικού και οποιονδήποτε ενδιαφέρεται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και την πλησιέστερη πρόβλεψη για την ανάπτυξή της.

Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την τεχνητή νοημοσύνη και την εφαρμογή της. Υπάρχει μια επιλογή να έχετε μια επιπλέον ημέρα για να αναλάβετε ένα έργο AI μετά την ολοκλήρωση αυτού του μαθήματος.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εμβαθύνουν την κατανόησή τους για την όραση υπολογιστή και να εξερευνήσουν τις δυνατότητες του TensorFlow για την ανάπτυξη εξελιγμένων μοντέλων όρασης χρησιμοποιώντας Google Colab.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Δημιουργήστε και εκπαιδεύστε συνελικτικά νευρωνικά δίκτυα (CNN) χρησιμοποιώντας το TensorFlow.
• Αξιοποιήστε το Google Colab για επεκτάσιμη και αποτελεσματική ανάπτυξη μοντέλων βάσει cloud.
• Εφαρμογή τεχνικών προεπεξεργασίας εικόνας για εργασίες όρασης υπολογιστή.
• Αναπτύξτε μοντέλα όρασης υπολογιστή για εφαρμογές πραγματικού κόσμου.
• Χρησιμοποιήστε την εκμάθηση μεταφοράς για να βελτιώσετε την απόδοση των μοντέλων CNN.
• Οπτικοποιήστε και ερμηνεύστε τα αποτελέσματα των μοντέλων ταξινόμησης εικόνων.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες και προγραμματιστές δεδομένων μεσαίου επιπέδου που επιθυμούν να κατανοήσουν και να εφαρμόσουν τεχνικές βαθιάς μάθησης χρησιμοποιώντας το περιβάλλον Google Colab.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε και πλοηγηθείτε στο Google Colab για έργα βαθιάς μάθησης.
• Κατανοήστε τις βασικές αρχές των νευρωνικών δικτύων.
• Εφαρμόστε μοντέλα βαθιάς μάθησης χρησιμοποιώντας το TensorFlow.
• Εκπαιδεύστε και αξιολογήστε μοντέλα βαθιάς μάθησης.
• Χρησιμοποιήστε προηγμένες δυνατότητες του TensorFlow για βαθιά μάθηση.

Σε αυτή τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές στο Ελλάδα, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν Python βιβλιοθήκες για το NLP καθώς δημιουργούν μια εφαρμογή που επεξεργάζεται ένα σύνολο εικόνων και δημιουργεί υπότιτλους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Σχεδιασμός και κωδικοποίηση DL για NLP χρησιμοποιώντας Python βιβλιοθήκες.
• Δημιουργήστε κώδικα Python που διαβάζει μια ουσιαστικά τεράστια συλλογή εικόνων και δημιουργεί λέξεις-κλειδιά.
• Δημιουργήστε Python κώδικα που δημιουργεί υπότιτλους από τις λέξεις-κλειδιά που εντοπίστηκαν.

Κοινό

Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν διαθέσιμα εργαλεία (κυρίως ανοιχτού κώδικα) για την ανάλυση εικόνων υπολογιστή

Αυτό το μάθημα παρέχει παραδείγματα εργασίας.

Αυτή η ζωντανή εκπαίδευση από εκπαιδευτές στο Ελλάδα (διαδικτυακά ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το TensorFlow για να αναλύσουν πιθανά δεδομένα απάτης.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να δημιουργήσουν ένα μοντέλο ανίχνευσης απάτης στο Python και στο TensorFlow.
• Να δημιουργήσουν γραμμικές παλινδρομήσεις και μοντέλα γραμμικής παλινδρόμησης για την πρόβλεψη απάτης.
• Να αναπτύξουν μια ολοκληρωμένη εφαρμογή τεχνητής νοημοσύνης για την ανάλυση δεδομένων απάτης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Tensorflow 2.x για τη δημιουργία προγνωστικών, ταξινομητών, μοντέλων παραγωγής, νευρωνικών δικτύων και ούτω καθεξής.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το TensorFlow 2.x.
• Κατανοήστε τα πλεονεκτήματα του TensorFlow 2.x σε σχέση με τις προηγούμενες εκδόσεις.
• Δημιουργήστε μοντέλα βαθιάς μάθησης.
• Εφαρμόστε έναν προηγμένο ταξινομητή εικόνας.
• Αναπτύξτε ένα μοντέλο βαθιάς εκμάθησης σε συσκευές cloud, κινητές συσκευές και IoT.

Σε αυτήν την υπό εκπαιδευτή, ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου), οι συμμετέχοντες θα μάθουν πώς να διαμορφώνουν και να χρησιμοποιούν το TensorFlow Serving για την ανάπτυξη και τη διαχείριση μοντέλων ML σε περιβάλλον παραγωγής.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εκπαιδεύστε, εξάγετε και εξυπηρετήστε διάφορα μοντέλα TensorFlow.
• Δοκιμάστε και αναπτύξτε αλγόριθμους χρησιμοποιώντας μια ενιαία αρχιτεκτονική και ένα σύνολο API.
• Επεκτείνετε το TensorFlow Serving για να εξυπηρετήσετε άλλους τύπους μοντέλων πέρα από τα μοντέλα TensorFlow.

TensorFlow είναι ένα API 2ης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Το σύστημα έχει σχεδιαστεί για να διευκολύνει την έρευνα στη μηχανική μάθηση και να το κάνει γρήγορο και εύκολο στη μετάβαση από το πρωτότυπο της έρευνας στο σύστημα παραγωγής.

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή

Αυτό το μάθημα διερευνά, με συγκεκριμένα παραδείγματα, την εφαρμογή του Tensor Flow στους σκοπούς της αναγνώρισης εικόνων

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τους σκοπούς της αναγνώρισης εικόνων

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• εκτελέστε εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να εφαρμόσουν προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, οικοδόμηση γραφημάτων και καταγραφή

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να περάσουν από την εκπαίδευση ενός μόνο μοντέλου ML στην ανάπτυξη πολλών μοντέλων ML στην παραγωγή.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το TFX και υποστηρίζοντας εργαλεία τρίτων.
• Χρησιμοποιήστε το TFX για να δημιουργήσετε και να διαχειριστείτε μια πλήρη γραμμή παραγωγής ML.
• Εργαστείτε με στοιχεία TFX για να πραγματοποιήσετε μοντελοποίηση, εκπαίδευση, εξαγωγή συμπερασμάτων και διαχείριση αναπτύξεων.
• Αναπτύξτε λειτουργίες μηχανικής εκμάθησης σε εφαρμογές Ιστού, εφαρμογές για κινητές συσκευές, συσκευές IoT και άλλα.

TensorFlow™ είναι μια βιβλιοθήκη λογισμικού ανοικτού κώδικα για αριθμητικούς υπολογισμούς χρησιμοποιώντας γραφικά ροής δεδομένων.

Το SyntaxNet είναι ένα νευρικό δίκτυο φυσικής γλώσσας επεξεργασίας πλαίσιο για TensorFlow.

Word2Vec χρησιμοποιείται για την εκμάθηση vector αντιπροσωπείες λέξεων, που ονομάζεται "word embeddings". Word2vec είναι ένα ιδιαίτερα υπολογιστικά αποτελεσματικό προγνωστικό μοντέλο για την εκμάθηση ενσωμάτωσης λέξεων από το πρωτότυπο κείμενο. Έρχεται σε δύο γεύσεις, το μοντέλο Continuous Bag-of-Words (CBOW) και το μοντέλο Skip-Gram (Κεφάλαιο 3.1 και 3.2 στο Mikolov et al.)

Χρησιμοποιείται ταυτόχρονα, το SyntaxNet και Word2Vec επιτρέπουν στους χρήστες να παράγουν μοντέλα Learning Embedding από την εισαγωγή της Φυσικής Γλώσσας.

Δημοσιογράφος

Αυτό το μάθημα απευθύνεται σε προγραμματιστές και μηχανικούς που σκοπεύουν να εργαστούν με τα μοντέλα SyntaxNet και Word2Vec στα γραφικά τους.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• Κατανοήστε TensorFlow&rsquo·s δομή και μηχανισμούς εκμετάλλευσης
• να είναι σε θέση να εκτελέσει εγκατάσταση / περιβάλλον παραγωγής / αρχιτεκτονικές εργασίες και διαμόρφωση
• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει αποσπάσεις, παρακολούθηση
• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή όπως μοντέλα κατάρτισης, όρους ενσωμάτωσης, γραφικά κατασκευής και καταγραφή

Αυτό το μάθημα ξεκινά με την παροχή εννοιολογικής γνώσης στα νευρωνικά δίκτυα και γενικά στον αλγόριθμο μηχανικής μάθησης, τη βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Μέρος-1 (40%) αυτής της εκπαίδευσης είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέγετε τη σωστή τεχνολογία: TensorFlow , Caffe , Θεανώ, DeepDrive, Keras , κ.λπ.

Μέρος-2 (20%) αυτής της εκπαίδευσης εισάγει Theano - μια βιβλιοθήκη python που καθιστά εύκολη τη σύνταξη εγγράφων βαθιάς μάθησης.

Το τμήμα 3 (40%) της κατάρτισης θα βασίζεται σε μεγάλο βαθμό στο Tensorflow - API δεύτερης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Τα παραδείγματα και το handson θα γίνουν όλα στο TensorFlow .

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• έχουν μια καλή κατανόηση για τα βαθιά νευρωνικά δίκτυα (DNN), το CNN και το RNN

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow

• να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση

• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση

• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή